CN114924568B - 自动驾驶汽车的局部路径规划方法、装置、车辆及介质 - Google Patents

Abstract

本申请涉及车辆技术领域，特别涉及一种自动驾驶汽车的局部路径规划方法、装置、车辆及介质，方法包括：根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪，对比相应的总轨迹代价从而选择出最优局部路径。

Description

自动驾驶汽车的局部路径规划方法、装置、车辆及介质

技术领域

本申请涉及车辆技术领域，特别涉及一种自动驾驶汽车的局部路径规划方法、装置、车辆及介质。

背景技术

路径规划是智能车辆导航和控制的基础，路径规划可分为局部路径规划和全局路径规划。其中，全局路径规划是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径，同时在车辆的行驶过程中，随着道路的复杂化，必须以局部环境信息和自身状态信息为基础来规划一段无碰撞的理想局部路径的重要性愈为突出，其不同的局部路径规划方法便应运而生。

相关技术中，局部路径规划方法主要是通过固定时间和间隔距离采样以不同代价函数计算各条轨迹的代价从而得到最优轨迹。

然而，这种方法在应对不同的场景时需要选取不同的代价权值来保证路径规划的实现，尤其在一些复杂场景中难以通过固定代价权值满足要求，并且针对道路横纵向进行分开规划也不利于车辆在道路曲率大、速度快等行驶过程中的规划效果，亟待解决。

发明内容

本申请提供一种自动驾驶汽车的局部路径规划方法、装置、车辆及介质，以解决传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

本申请第一方面实施例提供一种自动驾驶汽车的局部路径规划方法，包括以下步骤：

根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹；

计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，得到所述每条采样轨迹的总轨迹代价；以及

基于所述每条采样轨迹的总轨迹代价，将所述总轨迹代价最小的采样轨迹作为最优局部路径。

根据本申请的一个实施例，所述将所述总轨迹代价最小的采样轨迹作为最优局部路径，包括：

根据所述优先级代价、所述过渡代价和所述最大横向加速度代价及对应的权值系数利用预设代价公式计算所述总轨迹代价。

根据本申请的一个实施例，所述自动驾驶汽车的局部路径规划方法，其中，

所述优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d，

所述碰撞代价的计算公式为：

所述过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d，

所述最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r，

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度。根据本申请的一个实施例，所述预设代价公式为：

总轨迹代价＝t1*r₁+t2*r₂+t3*r₃+t4*r₄，

其中，t1为所述优先级代价的权值系数，t2为所述碰撞代价的权值系数，t3为所述过渡代价的权值系数，t4为所述最大横向加速度代价的权值系数。

根据本申请的一个实施例，所述根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹，包括：

基于预设轨迹密度和预设轨迹条数，横向采样得到目标点集；

基于所述目标点集进行轨迹撒点，生成至少一条初始采样轨迹；

对每条初始采样轨迹进行平滑处理，并筛除不满足预设条件的初始采样轨迹，得到所述至少一条采样轨迹。

根据本申请实施例的自动驾驶汽车的局部路径规划方法，根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

本申请第二方面实施例提供一种自动驾驶汽车的局部路径规划装置，包括：

提取模块，用于根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹；

计算模块，用于计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，得到所述每条采样轨迹的总轨迹代价；以及

选择模块，用于基于所述每条采样轨迹的总轨迹代价，将所述总轨迹代价最小的采样轨迹作为最优局部路径。

根据本申请的一个实施例，所述选择模块，具体用于：

根据所述优先级代价、所述过渡代价和所述最大横向加速度代价及对应的权值系数利用预设代价公式计算所述总轨迹代价。

根据本申请的一个实施例，其中，

所述优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d，

所述碰撞代价的计算公式为：

所述过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d，

所述最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r，

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度。

根据本申请的一个实施例，所述预设代价公式为：

总轨迹代价＝t1*r₁+t2*r₂+t3*r₃+t4*r₄，

其中，t1为所述优先级代价的权值系数，t2为所述碰撞代价的权值系数，t3为所述过渡代价的权值系数，t4为所述最大横向加速度代价的权值系数。

根据本申请的一个实施例，所述提取模块，具体用于：

基于预设轨迹密度和预设轨迹条数，横向采样得到目标点集；

基于所述目标点集进行轨迹撒点，生成至少一条初始采样轨迹；

对每条初始采样轨迹进行平滑处理，并筛除不满足预设条件的初始采样轨迹，得到所述至少一条采样轨迹。

根据本申请实施例的自动驾驶汽车的局部路径规划装置，根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶汽车的局部路径规划方法。

本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的自动驾驶汽车的局部路径规划方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种自动驾驶汽车的局部路径规划方法的流程图；

图2为根据本申请一个实施例提供的自动驾驶汽车的局部路径规划方法的轨迹簇示意图；

图3为根据本申请一个实施例提供的自动驾驶汽车的局部路径规划方法的程序执行流程图；

图4为根据本申请实施例的自动驾驶汽车的局部路径规划装置的示例图；

图5为根据本申请实施例提供的车辆的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的自动驾驶汽车的局部路径规划方法、装置、车辆及介质。针对上述背景技术中心提到的在传统局部路径规划方法中，应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，本申请提供了一种自动驾驶汽车的局部路径规划方法，在该方法中，根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

具体而言，图1为本申请实施例所提供的一种自动驾驶汽车的局部路径规划方法的流程示意图。

如图1所示，该自动驾驶汽车的局部路径规划方法包括以下步骤：

在步骤S101中，根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹。

进一步地，在一些实施例中，根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹，包括：基于预设轨迹密度和预设轨迹条数，横向采样得到目标点集；基于目标点集进行轨迹撒点，生成至少一条初始采样轨迹；对每条初始采样轨迹进行平滑处理，并筛除不满足预设条件的初始采样轨迹，得到至少一条采样轨迹。

其中，预设轨迹密度可以用d表示，预设轨迹条数可以用m表示，车辆当前所处位置可以用p0表示，最大规划距离可以用s表示，横向采样点位置可以用pi表示。需要说明的是，预设轨迹密度和预设轨迹条数可以是用户预先设定的阈值，可以是通过有限次实验获取的阈值，也可以是通过有限次计算机仿真得到的阈值，在此不做具体限定；最大规划距离可以为车辆中心到平行横向采样点的最大规划距离；采样轨迹可以为车辆根据当前位置和最大规划距离所需要采集的局部目标轨迹。

具体而言，如图2所示，首先，本申请实施例可以根据车辆的当前位置p0和最大规划距离s从全路规划路径中提取所需的部分作为局部目标轨迹，并按照轨迹密度d和最大规划距离s进行从车辆中心到横向采样点的距离ld＝k*v的计算，并根据车辆的当前位置p0和ld从而得到目标点集。其次，本申请实施例可以基于目标点集进行轨迹撒点。其中，撒点可以分为两段进行采样，第一段采样可以从车辆的当前位置p0到横向采样点位置pi进行采样；第二段采样可以从横向采样点位置pi按照航向角平移延伸到最大规划距离s，从而生成至少一条初始采样轨迹。最后，本申请实施例可以通过点间距进行均匀采样并对每条初始采样轨迹进行平滑处理并筛除不规则点和不满足预设条件的初始采样轨迹，进而生成候选轨迹，即得到至少一条采样轨迹。通过对每条初始采样轨迹进行平滑处理，可以消除在采样步骤中所导致的滚动不连续性，同时也改善了曲率，提高车辆的稳定性。

在步骤S102中，计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，得到每条采样轨迹的总轨迹代价。

具体地，优先级代价是对每条采样轨迹路径进行分级，其中，可以预设中心路径的优先级别最高，然后由中心路径依次向两边递减，其目的在于使车辆在没有障碍物的情况下可以保持在中心路径；碰撞代价可以将采样轨迹路径分为两部分进行计算，分别为采样轨迹路径到障碍物的横向水平距离和采样轨迹路径到障碍物的纵向水平距离；过渡代价可以限制车辆不会频繁的在不同的采样轨迹路径之间进行切换，其目的在于确保车辆前进的平滑度；最大横向加速度代价可以通过采样轨迹的曲率半径和车辆速度得到，其目的在于可以保证采样轨迹的可跟踪性。

进一步地，在一些实施例中，上述自动驾驶汽车的局部路径规划方法，其中，优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d， (1)

碰撞代价的计算公式为：

过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d， (3)

最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r， (4)

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度。

具体地，本申请实施例可以通过对每条采样轨迹分别进行优先级代价、碰撞代价、过渡代价和最大横向加速度代价的加权计算分别生成每条采样轨迹的总轨迹代价。

在步骤S103中，基于每条采样轨迹的总轨迹代价，将总轨迹代价最小的采样轨迹作为最优局部路径。

进一步地，在一些实施例中，将总轨迹代价最小的采样轨迹作为最优局部路径，包括：根据优先级代价、碰撞代价、过渡代价和最大横向加速度代价及对应的权值系数利用预设代价公式计算总轨迹代价。

其中，总轨迹代价的计算公式如下式所示：

总轨迹代价＝t1*r₁+t2*r₂+t3*r₃+t4*r₄； (5)

其中，t1为优先级代价的权值系数，t2为碰撞代价的权值系数，t3为过渡代价的权值系数，t4为最大横向加速度代价的权值系数。

需要说明的是，t1至t4的计算可以根据有限次实验获取或者通过多场景仿真测试得到的代价函数权值自适应公式，t1至t4均可以设为常量。

举例而言，首先设定t1为常量，t3＝k*v*t1，其中，k为上述采样轨迹生成的速度因子，t3的过渡代价和速度相关且对应总权值影响较小；t2＝t1+0.5t1，t2的权值影响最大，通常用来决定采样轨迹是否堵塞；t4＝t2，可以将t4权值设定为边界权值并在纵向上进行约束，为了保证采样轨迹的可跟踪性，因此设定的权值不宜太大。需要说明的是，以上四个权值的计算只需要对车辆行驶过程中的不同速度进行采样，从而得到不同速度下四个权值的相关数据，并根据得到的数据进行查表进而得到速度因子k，此方法对于大部分的场景均可适用。

由此，通过对上述的四个权值系数的计算，利用预设代价公式(5)计算出每条采样轨迹相应的总轨迹代价。通过算法进行跟踪仿真并进行数据对比，将总轨迹代价最小的采样轨迹作为最优局部路径，进而将此最优局部路径发送至车辆控制系统，并进行目标跟踪。其中，该算法可以选用PID(Proportion Integral Differential，PID算法)算法进行计算，也可以选用其他具有相关功能的算法，在此不做具体限定。

进一步地，在本申请实施例中，通过对添加速度和曲率约束的规划方法进行优化以及代价函数自适应公式进而针对不同场景下的路径规划进行选择，其优化前后性能对比如表1所示：

表1

综上，如图3所示，图3为本申请一个实施例的自动驾驶汽车的局部路径规划方法的程序执行流程图，包括以下步骤：

S301，程序初始化。

S302，读取当前任务状态及局部目标。

S303，计算子目标点集。

S304，生成候选轨迹簇。

S305，计算轨迹代价。

S306，判断是否有可执行轨迹，如果有，则执行步骤S307；否则，执行步骤S308。

S307，选择最优轨迹，并跳转执行步骤S309。

S308，异常轨迹生成。

S309，发送至控制系统，并跳转执行步骤S302。

根据本申请实施例的自动驾驶汽车的局部路径规划方法，根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

其次参照附图描述根据本申请实施例提出的自动驾驶汽车的局部路径规划装置。

图4是本申请实施例的自动驾驶汽车的局部路径规划装置的方框示意图。

如图4所示，该自动驾驶汽车的局部路径规划装置10包括：提取模块100、计算模块200和选择模块300。

其中，提取模块100用于根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹；

计算模块200用于计算每条采样轨迹的优先级代价、过渡代价和最大横向加速度代价，得到每条采样轨迹的总轨迹代价；以及

选择模块300用于基于每条采样轨迹的总轨迹代价，将总轨迹代价最小的采样轨迹作为最优局部路径。

进一步地，在一些实施例中，选择模块300，具体用于：

根据优先级代价、过渡代价和最大横向加速度代价及对应的权值系数利用预设代价公式计算总轨迹代价。

进一步地，在一些实施例中，所上述的自动驾驶汽车的局部路径规划装置10，其中，

优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d，

碰撞代价的计算公式为：

过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d，

最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r，

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度。

进一步地，在一些实施例中，预设代价公式为：

总轨迹代价＝t1*r1+t2*r2+t3*r3+t4*r4，

其中，t1为优先级代价的权值系数，t2为碰撞代价的权值系数，t3为过渡代价的权值系数，t4为最大横向加速度代价的权值系数。

进一步地，在一些实施例中，提取模块100，具体用于：

基于预设轨迹密度和预设轨迹条数，横向采样得到目标点集；

基于目标点集进行轨迹撒点，生成至少一条初始采样轨迹；

对每条初始采样轨迹进行平滑处理，并筛除不满足预设条件的初始采样轨迹，得到至少一条采样轨迹。

根据本申请实施例的自动驾驶汽车的局部路径规划装置，根据车辆当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹并计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，将得到的每条采样轨迹的中总轨迹代价最小的采样轨迹作为最优局部路径。由此，解决了传统局部路径规划方法在应对不同的场景时需要选取不同的代价权值来实现路径规划等问题，通过添加速度和曲率约束的规划方法以及代价函数自适应公式来解决权值的选择问题，提高了系统自适应能力及轨迹的平滑性和稳定性，并通过算法对规划后的轨迹进行跟踪仿真，对比相应的总轨迹代价，从而选择出最优局部路径。

图5为本申请实施例提供的车辆的结构示意图。该车辆可以包括：

存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。

处理器502执行程序时实现上述实施例中提供的自动驾驶汽车的局部路径规划方法。

进一步地，电子设备还包括：

通信接口503，用于存储器501和处理器502之间的通信。

存储器501，用于存放可在处理器502上运行的计算机程序。

存储器501可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。

处理器502可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的自动驾驶汽车的局部路径规划方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种自动驾驶汽车的局部路径规划方法，其特征在于，包括以下步骤：

根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹；

计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，得到所述每条采样轨迹的总轨迹代价；以及

基于所述每条采样轨迹的总轨迹代价，将所述总轨迹代价最小的采样轨迹作为最优局部路径；

其中，所述将所述总轨迹代价最小的采样轨迹作为最优局部路径，包括：根据所述优先级代价、所述碰撞代价、所述过渡代价和所述最大横向加速度代价及对应的权值系数利用预设代价公式计算所述总轨迹代价，其中，

所述优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d，

所述碰撞代价的计算公式为：

所述过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d，

所述最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r，

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度；

所述预设代价公式为：

总轨迹代价＝t1*r₁+t2*r₂+t3*r₃+t4*r₄，

其中，t1为所述优先级代价的权值系数，t2为所述碰撞代价的权值系数，t3为所述过渡代价的权值系数，t4为所述最大横向加速度代价的权值系数。

2.根据权利要求1所述的方法，其特征在于，所述根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹，包括：

基于预设轨迹密度和预设轨迹条数，横向采样得到目标点集；

基于所述目标点集进行轨迹撒点，生成至少一条初始采样轨迹；

对每条初始采样轨迹进行平滑处理，并筛除不满足预设条件的初始采样轨迹，得到所述至少一条采样轨迹。

3.一种自动驾驶汽车的局部路径规划装置，其特征在于，包括：

提取模块，用于根据自动驾驶汽车的当前所处位置和最大规划距离从全路规划路径中提取至少一条采样轨迹；

计算模块，用于计算每条采样轨迹的优先级代价、碰撞代价、过渡代价和最大横向加速度代价，得到所述每条采样轨迹的总轨迹代价；以及

选择模块，用于基于所述每条采样轨迹的总轨迹代价，将所述总轨迹代价最小的采样轨迹作为最优局部路径；

其中，所述选择模块，具体用于：根据所述优先级代价、所述过渡代价和所述最大横向加速度代价及对应的权值系数利用预设代价公式计算所述总轨迹代价，其中，

所述优先级代价的计算公式为：

r₁＝f((x_t,y_t),(x_o,y_o))＝(y_t-y₀)d，

所述碰撞代价的计算公式为：

所述过渡代价的计算公式为：

r₃＝f((x_t,y_t),(x_t-1,y_t-1))＝(y_t-y_t-1)d，

所述最大横向加速度代价的计算公式为：

r₄＝f(κ)＝v²/r，

其中，r₁为优先级代价，r₂为碰撞代价，r₃为过渡代价，r₄为最大横向加速度代价；x_t，y_t为t时刻对应局部，规划轨迹上位置点坐标；x_o，y₀为全局路径上对应位置点坐标；x_c，y_c为障碍物位置；d_c为规划轨迹距离障碍物横向距离；l_c为规划轨迹距离障碍物纵向距离；x_t-1，y_t-1为t-1时刻对应规划轨迹上位置点坐标；r为曲率半径，v为速度，d为轨迹密度；

所述预设代价公式为：

总轨迹代价＝t1*r₁+t2*r₂+t3*r₃+t4*r₄，

其中，t1为所述优先级代价的权值系数，t2为所述碰撞代价的权值系数，t3为所述过渡代价的权值系数，t4为所述最大横向加速度代价的权值系数。

4.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-2任一项所述的自动驾驶汽车的局部路径规划方法。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-2任一项所述的自动驾驶汽车的局部路径规划方法。